CN114462207B - 一种家装饰品模板的匹配方法、***、设备及介质 - Google Patents

Abstract

本发明提供的一种家装饰品模板的匹配方法、***、设备及介质，方法包括以下步骤：获取历史家具信息以及历史饰品信息；确定家具与饰品的设置关系；根据设置关系以及空间关系生成若干第一饰品模板；整合第一饰品模板，生成整合后第一饰品模板的空间分布图；对空间分布图进行饰品模板的密度聚类生成布局模板；根据布局模板对第一饰品模板进行筛选得到若干第二饰品模板，通过第二饰品模板以及历史空间信息训练机器学习模型；将目标空间信息输入至训练完成后的机器学习模型，预测得到第三饰品模板；方案可以大大缩短构建饰品模板的时间和成本，使饰品布置能随需求变化快速迭代，提高设计服务品质和设计效率，可广泛应用于计算机数据处理技术领域。

Description

一种家装饰品模板的匹配方法、***、设备及介质

技术领域

本发明涉及计算机数据处理技术领域，尤其是一种家装饰品模板的匹配方法、***、设备及介质。

背景技术

在家装设计门店的业务场景中，能否快速生成美观的设计方案往往决定订单是否成交的关键；而室内设计除了摆放各类家具外，还需要使得软装设计美观，因此，还需要布置家居摆放工艺品、纺织品、收藏品、灯具、花艺、植物等各类工艺品。在线下演示与交易时，设计师难以在短时间内摆放大量的家装饰品，而且如何从大量饰品库中选择合适饰品进行布局摆放也十分考验设计师个人审美以及示例积累。

在相关技术中，由于家装设计品类繁多，制作品类丰富的饰品组合需要耗费大量的人力物力，而且对于多数围绕家具摆放的饰品，例如床周边放置的布偶、玩具饰品，靠规则难以推测合理的角度与距离自动摆放饰品。除此之外，由于饰品的种类、摆放方式经常更新，仅靠有限的设计师资源，难以满足多变且庞大的市场需求。

发明内容

有鉴于此，为至少部分解决上述技术问题之一，本发明实施例目的在于提供一种更为便捷、更为实用且能够灵活的家装饰品模板的匹配方法；与此同时，本申请技术方案还提供能够对应实现该方法的***、设备及计算机可读写的存储介质。

一方面，本申请技术方案提供了一种家装饰品模板的匹配方法，方法包括以下步骤：

获取设计方案中的历史家具信息以及历史饰品信息；

根据所述家具信息以及所述饰品信息确定家具与饰品的设置关系；

根据所述设置关系以及空间关系生成若干第一饰品模板；

整合所述第一饰品模板，生成整合后所述第一饰品模板的空间分布图；

对所述空间分布图进行饰品模板的密度聚类，根据密度聚类结果生成布局模板；

根据布局模板对所述第一饰品模板进行筛选得到若干第二饰品模板，通过所述第二饰品模板以及历史空间信息训练机器学习模型；

将目标空间信息输入至训练完成后的机器学习模型，预测得到第三饰品模板，所述第三饰品模板包括目标饰品信息。

在本申请方案的一种可行的实施例中，所述设置关系包括悬挂关系、支撑关系以及邻接关系；所述第一饰品模板包括悬挂饰品模板、支撑饰品模板以及邻域饰品模板，所述根据所述设置关系以及空间关系生成若干第一饰品模板这一步骤，包括：

获取所述空间关系，根据所述空间关系对所述历史家具信息和所述历史饰品信息进行筛选确定中心对象；

根据所述中心对象在第一预设范围内的所述悬挂关系生成悬挂饰品模板；

根据所述中心对象在第二预设范围内的所述支撑关系生成支撑饰品模板；

根据所述中心对象在第三预设范围内的所述邻接关系生成邻域饰品模板。

在本申请方案的一种可行的实施例中，所述整合所述第一饰品模板，生成整合后所述第一饰品模板的空间分布图这一步骤，包括：

根据所述中心对象的水平面，在所述水平面上建立坐标系；

将所述悬挂饰品模板、支撑饰品模板以及所述邻域饰品模板投影至所述坐标系内，得到二维分布图；

所述水平包括竖直平面以及水平平面；所述二维分布图包括饰品和家具的投影点。

在本申请方案的一种可行的实施例中，所述对所述空间分布图进行饰品模板的密度聚类，根据密度聚类结果生成布局模板这一步骤包括：

根据预设距离阈值将所述二维分布图中的投影点进行分类得到聚类簇；

通过密度聚类算法，根据所述预设距离阈值计算得到局部密度值；

根据所述局部密度值确定所述投影点的边界距离；

根据所述边界距离以及所述局部密度值对所述投影点中的噪声点进行筛除，得到所述布局模板。

在本申请方案的一种可行的实施例中，所述根据布局模板对所述第一饰品模板进行筛选得到若干第二饰品模板，通过所述第二饰品模板以及历史空间信息训练机器学习模型这一步骤，包括：

对所述布局模板中的中心对象进行特征编码得到第一特征编码；

对所述布局模板中的非中心对象进行特征编码得到第二特征编码；

根据所述中心对象以及所述非中心对象之间的位置关系生成第一关系编码，所述位置关系所述中心对象和所述非中心对象之间的距离和朝向；

通过所述第一特征编码、第二特征编码以及所述第一关系编码训练得到所述机器学习模型。

在本申请方案的一种可行的实施例中，在将目标空间信息输入至训练完成后的机器学习模型，预测得到第三饰品模板这一步骤之前，所述匹配方法包括：

确定所述目标空间信息中的核心家具；

根据聚类密度对所述第一饰品模板进行排序得到模板序列；

根据预设家具间隔对所述模板序列进行遍历，确定所述核心家具的目标位置。

在本申请方案的一种可行的实施例中，所述将目标空间信息输入至训练完成后的机器学习模型，预测得到第三饰品模板这一步骤，包括：

将所述目标位置输入至训练完成后的机器学习模型，输出得到所述目标位置的目标环境编码；

根据所述目标环境编码与历史环境编码的余弦相似度确定所述第三饰品模板，所述历史环境编码是根据所述第一饰品模板中的家具特征编码、饰品特征编码以及第二关系编码所生成得到。

另一方面，本申请技术方案还提供了一种家装饰品模板的匹配***，***包括：

数据获取单元，用于获取设计方案中的历史家具信息以及历史饰品信息；

数据处理单元，用于根据所述家具信息以及所述饰品信息确定家具与饰品的设置关系；并根据所述设置关系以及空间关系生成若干第一饰品模板；整合所述第一饰品模板，生成整合后所述第一饰品模板的空间分布图；对所述空间分布图进行饰品模板的密度聚类，根据密度聚类结果生成布局模板；

模型训练单元，用于根据布局模板对所述第一饰品模板进行筛选得到若干第二饰品模板，通过所述第二饰品模板以及历史空间信息训练机器学习模型；

模板匹配单元，用于将目标空间信息输入至训练完成后的机器学习模型，预测得到第三饰品模板，所述第三饰品模板包括目标饰品信息。

另一方面，本发明的技术方案还提供一种家装饰品模板的匹配设备，其包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当至少一个程序被至少一个处理器执行，使得至少一个处理器运行前面所述的一种家装饰品模板的匹配方法。

另一方面，本发明的技术方案还提供了一种存储介质，其中存储有处理器可执行的程序，处理器可执行的程序在由处理器执行时用于运行前面所述的的一种家装饰品模板的匹配方法。

本发明的优点和有益效果将在下面的描述中部分给出，其他部分可以通过本发明的具体实施方式了解得到：

本申请的技术方案首先根据历史家具以及饰品的信息，根据空间中家居、饰品的陈设方式以及空间位置关系，生成对应的饰品模板；再通过密度聚类制作训练用的家具饰品布局模板，然后训练机器学习模型确定目标饰品的布局模板根据布局模板找到新场景摆放位置，并根据场景编码和位置信息匹配饰品模板，方案可以取代设计师制作大量饰品模板并编写大量模板对应的布置逻辑才能完成自动布置饰品的工作，方案能够自动从优秀设计方案中提取设计模板和布局信息，大大缩短构建饰品模板的时间和成本，使饰品布置能随需求变化快速迭代，提高设计服务品质和设计效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例中提供的一种家装饰品模板的匹配方法的步骤流程图；

图2是本发明实施例中饰品模板的示意图；

图3是本发明实施例中家具表面模板的密度聚类的示意图；

图4是本发明实施例中自监督模型结构示意图。

具体实施方式

下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

结合前述背景技术中指出相关技术中所存在的技术缺陷，本申请技术方案基于数据挖掘提出了一种家装饰品模板的匹配方法，方案目的是从优质的设计模板里自动提取针对不同家具的饰品模板和饰品布局模板，通过家具环境编码找到与历史环境最匹配的饰品模板，自动摆放软装饰品，运用数据自动构建饰品模板并运用模板摆放饰品，可快速迭代自动饰品摆放效果，减少人为设计模板的工作，提高设计师设计效率。

一方面，如图1所示，本申请的实施例提供了一种家装饰品模板的匹配方法，方法包括步骤S100-S700：

S100、获取设计方案中的历史家具信息以及历史饰品信息；

具体在实施例中，首先采集优质的历史全屋设计方案，作为数据源；例如，历史家居信息以及历史饰品信息均可以获取自优秀室内设计方案，从室内设计方案通过必要的目标识别处理提取得到对应的家具信息和饰品信息；其中，历史家具信息可以包括但不限于床、沙发、衣柜以及桌椅等家具物品；历史饰品信息则可以包括但不限于工艺品、纺织品、收藏品、灯具、花艺以及植物等各类装饰物品；在一些实施例中，可以构建服务与设计方案的家居数据库以及饰品数据库。

S200、根据家具信息以及饰品信息确定家具与饰品的设置关系；

具体在实施例中，根据步骤S100中提取得到的历史家具信息以及历史饰品信息，识别设计方案中的每个对象的类别C、位置XYZ、包围盒尺寸WDH以及方向IJK，其中，对象则涵盖了家具以及饰品等物品对象，示例性地，针对饰品对象，实施例可以根据它与周围墙体在水平方向的相对位置距离判断此饰品是否靠在对应墙上，建立此墙与饰品的悬挂关系；又或者，根据饰品位置和高度判断饰品是否放置在某个家具上，记录此家具与饰品的支撑关系。

S300、根据设置关系以及空间关系生成若干第一饰品模板；

其中，第一饰品模板中可以包括若干数量的家具和/或饰品等要素；具体在实施例中，根据设置相应的距离阈值，根据该距离阈值作为半径，以步骤S100中所确定的家具或者饰品在目标空间中的具***置作为区域中心，所形成的封闭区域记作模板的包围盒，根据形成的包围盒，以及步骤S200中所确定的各个家具、饰品物品之间设置关系，对目标空间中的物品进行筛选；将落入包围盒范围的家具、饰品作为饰品模板中的要素。

为了更为清楚地描述家具以及视频之间的设置关系，在一些可选择的实施例中，设置关系可以包括但不限于悬挂关系、支撑关系以及邻接关系；因此，步骤S300中第一饰品模板包括悬挂饰品模板、支撑饰品模板以及邻域饰品模板；进一步地，匹配方法中步骤S300根据设置关系以及空间关系生成若干第一饰品模板，可以包括步骤S310-S340：

S310、获取空间关系，根据空间关系对历史家具信息和历史饰品信息进行筛选确定中心对象；

具体在实施例中，根据室内设计所默认的陈设原则，任何饰品应当是以室内核心家具为参照进行摆放；在实施例中，可以对在提取家具信息的过程中加入家具的识别处理，例如，主动将体积较大或者占用空间较大的家具作为空间内的中心对象，选取床、桌、沙发、柜顶面为饰品摆放的候选中心对象，并设定包围盒的大小，对与该中心对象存在悬挂关系、支撑关系以及邻接关系的相关饰品进行筛选，得到前述的第一饰品模板。

S320、根据中心对象在第一预设范围内的悬挂关系生成悬挂饰品模板。

示例性地，在实施例中，如图2所示，实施例中对每个数据源中的候选家具对象，以候选家具对象建立直角坐标系，搜索x轴、y轴方向正对的墙壁，计算家具在墙上的投影宽度，加上距离阈值搜索范围内墙上的饰品，并打包为一组墙体饰品模板，即得到悬挂饰品模板，如图2中餐桌正对墙上三幅画板，计算三幅画板的总体包围盒作为此模板的包围盒，根据包围盒中所涵盖的饰品，构建得到悬挂饰品模板。

S330、根据中心对象在第二预设范围内的支撑关系生成支撑饰品模板。

示例性地，在实施例中，如图2所示，实施例检测候选中心对象顶面区域是否存在饰品，若存在则将顶面所有饰品打包为一组支撑饰品模板；例如，图2中餐桌上的所有碗碟、蜡烛、筷子勺子等饰品，计算餐桌上所有饰品的总体包围盒作为此模板的包围盒，根据包围盒中所涵盖的饰品，构建得到支撑饰品模板。

S340、根据中心对象在第三预设范围内的邻接关系生成邻域饰品模板。

示例性地，在实施例中，如图2所示，以不同种类家具对应的经验半径阈值，例如床0.8m，搜索候选中心对象周围的地面是否摆放饰品；对包围框最小距离为阈值内的饰品，将检索出来的多个饰品分为多组邻域饰品模板；如图2中的盆栽。需要说明的是，实施例中可以通过计算每组饰品的总体包围盒，从而得到汇总后的邻域饰品模板。

S400、整合第一饰品模板，生成整合后第一饰品模板的空间分布图；

具体在实施例中，实施例可以将步骤S300中所生成若干第一饰品模块，将其进行汇总之后，投影至以中心对象的位置点为坐标原点的空间平面中，以得到相应饰品模板的空间分布图。

在一些可以选择的实施例中，方法中步骤S400整合第一饰品模板，生成整合后第一饰品模板的空间分布图这一过程，可以包括步骤S410和S420：

S410、根据中心对象的水平面，在水平面上建立坐标系；

具体在实施例中，水平包括竖直平面以及水平平面。

S420、将悬挂饰品模板、支撑饰品模板以及邻域饰品模板投影至坐标系内，得到二维分布图；

具体在实施例中，二维分布图包括若干个饰品和家具的投影点；示例性地，在实施例中，对每个模板计算其平面中心点的坐标与对应的候选中心对象的同平面中心点坐标，对于墙体饰品模板为垂直平面，对于邻域饰品模板和支撑饰品模板是水平平面。计算每个模板总包围盒的中心点投影点坐标值(x′，y′)作二维分布图；如图3所示，以餐桌为候选中心对象，其包围盒中心为坐标原点，抽样餐桌的支撑饰品模板，以模板中心作为样本点作二维图。

S500、对空间分布图进行饰品模板的密度聚类，根据密度聚类结果生成布局模板；

具体在实施例中，可以对步骤S400中所得到空间分布图中的投影点进行聚类分析，以去除空间分布图中的孤立点或者噪声点，在去取孤立点或者噪声点等利群值之后，后续进行匹配处理的结果也更为精准。

在一些可选择的实施例中，方法在步骤S400对空间分布图进行饰品模板的密度聚类，根据密度聚类结果生成布局模板这一步骤，可以包括步骤S410-S440：

S410、根据预设距离阈值将二维分布图中的投影点进行分类得到聚类簇；

具体在实施例中，采用密度聚类算法，首先根据实施例预设截断距离阈值dc自动计算出多个聚类簇，再根据结果对模板分类；每个聚类簇的中心为此家具在墙、顶面或者邻域情况下的候选布局模板，其中，布局模板中除包含聚类簇的中心位置外，还可以根据聚类簇内部的点密度对聚类簇的优先级进行排序。

S420、通过密度聚类算法，根据预设距离阈值计算得到局部密度值；

具体在实施例的密度聚类算法进行聚类的过程中，首先根据截断距离阈值dc计算每个投影点的局部密度值ρ：

其中，对每个投影点i，求其他点j与点i的距离d_ij,如果d_ij<dc,则结果为1，否之结果为0。通过求和得到点i在距离阈值dc范围内所有其他点的个数，作为局部密度值。

S430、根据局部密度值确定投影点的边界距离；

具体在实施例中，在确定了每个投影点局部密度值ρ之后，再对所有点计算其边界距离δ，对于局部密度值最大的点，边界距离为它与所有点最远的直线距离；对于其余点，边界距离δ为比此点局部密度值ρ大的且距离最近点的直线距离，边界值越大，证明它离其他簇的距离越远。

S440、根据边界距离以及局部密度值对投影点中的噪声点进行筛除，得到布局模板；

具体在实施例中，在确定边界距离之后，实施例根据预先设定局部密度值ρ的阈值和边界距离δ的阈值，筛选出多个点作为簇的起始点；对于其他点，其在进行聚类时，跟随最近的比它局部密度值ρ大的点；如果簇中某些点离其他所有同簇的点距离都大于截断距离阈值dc，则作为噪点排除；检索所有饰品模板查看其中心点是否属于噪声点，是噪声点则从饰品模板库中筛除；由此得到每个簇的范围，并可计算范围的中心位置。在确定了每个簇的范围以及位置，并去除分布图中的噪声点之后，得到实施例中布局模板的训练素材。

S600、根据布局模板对第一饰品模板进行筛选得到若干第二饰品模板，通过第二饰品模板以及历史空间信息训练机器学习模型；

具体在实施例中，在步骤S500生成了布局模板之后，根据布局模板中每个簇以及每个簇中投影点与饰品的对应关系，对前述步骤得到第一饰品模板进行筛选得到了第二饰品模板，然后，需要通过机器学习模型来实现在目标场景中，自动判断对应位置需要摆放某个具体的模板；在实施例中的机器学习模型可以采用自监督模型，例如采用递归自动编码模型(Recursive Autoencoders)的方法训练场景的编码表达。需要说明的是，实施例中递归自动编码模型的训练数据可以包括第二饰品模板以及史空间信息。

在一些可选择的实施例中，方法的步骤S600根据布局模板对第一饰品模板进行筛选得到若干第二饰品模板，通过第二饰品模板以及历史空间信息训练机器学习模型可以包括步骤S610-S640：

S610、对布局模板中的中心对象进行特征编码得到第一特征编码；

S620、对布局模板中的非中心对象进行特征编码得到第二特征编码；

S630、根据中心对象以及非中心对象之间的位置关系生成第一关系编码；

S640、通过第一特征编码、第二特征编码以及第一关系编码训练得到机器学习模型；

具体在实施例中，位置关系中心对象和非中心对象之间的距离和朝向。由于场景环境复杂，运用自监督模型对候选中心对象及周边对象的家具进行特征编码。其中，对中心对象进行特征编码得到的编码字符串记作第一特征编码；对在中心对象周围的其他家具进行特征编码得到的编码字符串记作第二特征编码；实施例根据每种候选中心对象的家具设置半径阈值，获取半径范围内的家具，每个家具对象均有其类别C、尺寸WDH作为家具特征，以中心家具与周围家具之间的相对距离dx、dy、dz和朝向转角θ作为两家具间的关系编码。

然后实施例进入到递归自动编码模型的训练过程，如图4所示，训练过程中首先将家具特征通过box embedding转化为高维的家具编码然后，从左到右依次，每次结合两个家具编码和一个关系编码，通过Recursive Encoder逐步生成更高维的场景编码，例如：

y₁＝f_{RecursvieEncoder}(x′_{furniture 1},x′_furniture2,x_{relation 1})

y₂＝f_{RecursvieEncoder}(y₁,x′_furniture,x_{relation 2})

在模型的输出过程中，用不同权重的结构对称的Decoder模型对编码进行解码，以解码出来的家具特征和关系特征与原始输入作对比，其误差作为预测损失训练合适的模型权重。待训练结构后，对每种场景，Encoder都能生成其对应的场景编码。

S700、将目标空间信息输入至训练完成后的机器学习模型，预测得到第三饰品模板，第三饰品模板包括目标饰品信息；

具体在实施例中，在进行饰品模板的匹配与摆放之前，实施例首先需要确定候选的摆放位置，实施例中可以先确定目标环境中的核心家具，并根据在先的优秀设计方案中家具摆放的位置信息确定这一核心家具的摆放位置，然后，根据训练好的自监督模型输出核心家具摆放位置的环境编码，根据输出的环境编码在生成的悬挂饰品模板、支撑饰品模板以及邻域饰品模板进行匹配筛选，以得到与该核心家具摆放位置相适配的饰品模板。

在一些可选择的实施例中，方法在将目标空间信息输入至训练完成后的机器学习模型，预测得到第三饰品模板这一步骤S700之前，还可以包括步骤S650-S670：

S650、确定目标空间信息中的核心家具；

S660、根据聚类密度对第一饰品模板进行排序得到模板序列；

S670、根据预设家具间隔对模板序列进行遍历，确定核心家具的目标位置；

具体在实施例中，对每个候选摆放的室内核心家具，实施例可以分别套用此家具墙体饰品布局模板、支撑饰品布局模板和邻域饰品布局模板。在套用模板的过程中，实施例首先从聚类密度大的候选位置开始，以候选位置为中心代入此簇中最小的饰品模板面积，观察此位置与周围家具或者其他候选位置是否留有一定的距离，如果是则将此点作为需要摆放的位置点。循环上述过程，直到饰品布局模板内所有候选节点均被筛选一遍，从而找到合理的饰品模板摆放位置点。

在一些可选择的实施例中，方法的步骤S700将目标空间信息输入至训练完成后的机器学习模型，预测得到第三饰品模板这一过程，可以包括步骤S710-S720：

S710、将目标位置输入至训练完成后的机器学习模型，输出得到目标位置的目标环境编码；

S720、根据目标环境编码与历史环境编码的余弦相似度确定第三饰品模板，历史环境编码是根据第一饰品模板中的家具特征编码、饰品特征编码以及第二关系编码所生成得到；

具体在实施例中，实施例以核心家具为中心，运用训练好的自监督模型生成此位置的环境编码，并与候选摆放位置点与此家具位置点的空间相对距离dx,dy,dz合并，以余弦相似度筛选同一位置的聚类簇中与当前编码最相近的历史编码对应的饰品模板，并将饰品模板摆放到候选位置点上。循环此步直到所有位置点均被摆放上历史中场景最相近的饰品模板。

第二方面，本申请的技术方案还提供了一种家装饰品模板的匹配***，该***包括：

数据获取单元，用于获取设计方案中的历史家具信息以及历史饰品信息；

数据处理单元，用于根据家具信息以及饰品信息确定家具与饰品的设置关系；并根据设置关系以及空间关系生成若干第一饰品模板；整合第一饰品模板，生成整合后第一饰品模板的空间分布图；对空间分布图进行饰品模板的密度聚类，根据密度聚类结果生成布局模板；

模型训练单元，用于根据布局模板对第一饰品模板进行筛选得到若干第二饰品模板，通过第二饰品模板以及历史空间信息训练机器学习模型；

模板匹配单元，用于将目标空间信息输入至训练完成后的机器学习模型，预测得到第三饰品模板，第三饰品模板包括目标饰品信息。

第三方面，本申请的技术方案还提供一种家装饰品模板的匹配设备，其包括至少一个处理器；至少一个存储器，该存储器用于存储至少一个程序；当至少一个程序被至少一个处理器执行，使得至少一个处理器运行如第一方面中的一种家装饰品模板的匹配方法。

本发明实施例还提供了一种存储介质内存储有程序，程序被处理器执行，实现上述一种家装饰品模板的匹配方法。

从上述具体的实施过程，可以总结出，本发明所提供的技术方案相较于现有技术存在以下优点或优势：

1、本申请技术方案无需通过设计师制作大量饰品模板并编写大量模板对应的布置逻辑才能完成自动布置饰品的工作；方案可以实现自动从优秀设计方案中提取设计模板和布局信息，大大缩短构建饰品模板的时间和成本，使饰品布置方法能随需求变化快速迭代，提高设计服务品质和设计效率；

2、本申请技术方案通过模板的方式，推荐的对象是模板，包括多个饰品及其所属位置，在一些应用场景中可以用于筛选不良的饰品摆放结果；

3、本申请技术方案提出的方法用密度聚类并非用于推荐，是通过针对位置的密度聚类方法筛选出模板最可能出现的位置点范围，从而将位置部署不太常用的候选模板从候选库中排除；方案中用于寻找相近的推荐目标的方法不涉及聚类，而是采用向量点积大小进行比较；对于大批量的数据模板，本方案匹配速度更快，效率更高，能更好地满足实际应用情况的各种需求。

在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。

此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种家装饰品模板的匹配方法，其特征在于，方法包括以下步骤：

获取设计方案中的历史家具信息以及历史饰品信息；

根据所述家具信息以及所述饰品信息确定家具与饰品的设置关系；

根据所述设置关系以及空间关系生成若干第一饰品模板，获取所述空间关系，根据所述空间关系对所述历史家具信息和所述历史饰品信息进行筛选确定中心对象；

根据所述中心对象的水平面，在所述水平面上建立坐标系，将所述第一饰品模板整合至所述坐标系中，生成整合后所述第一饰品模板的空间分布图；

根据预设距离阈值对所述空间分布图中的投影点进行分类得到聚类簇，根据所述聚类簇的局部密度值筛除所述投影点中的噪声点，生成布局模板；

根据所述布局模板的所述聚类簇中投影点与饰品的对应关系，对所述第一饰品模板进行筛选得到若干第二饰品模板，通过所述第二饰品模板以及历史空间信息训练机器学习模型；

将目标空间信息输入至训练完成后的所述机器学习模型，预测得到第三饰品模板，所述第三饰品模板包括目标饰品信息。

2.根据权利要求1所述的一种家装饰品模板的匹配方法，其特征在于，所述设置关系包括悬挂关系、支撑关系以及邻接关系；所述第一饰品模板包括悬挂饰品模板、支撑饰品模板以及邻域饰品模板，所述根据所述设置关系以及空间关系生成若干第一饰品模板这一步骤，包括：

根据所述中心对象在第一预设范围内的所述悬挂关系生成悬挂饰品模板；

根据所述中心对象在第二预设范围内的所述支撑关系生成支撑饰品模板；

根据所述中心对象在第三预设范围内的所述邻接关系生成邻域饰品模板。

3.根据权利要求2所述的一种家装饰品模板的匹配方法，其特征在于，整合所述第一饰品模板，生成整合后所述第一饰品模板的空间分布图这一步骤，包括：

将所述悬挂饰品模板、所述支撑饰品模板以及所述邻域饰品模板投影至所述坐标系内，得到二维分布图；

所述水平包括竖直平面以及水平平面；所述二维分布图包括饰品和家具的投影点。

4.根据权利要求3所述的一种家装饰品模板的匹配方法，其特征在于，对所述空间分布图进行饰品模板的密度聚类，根据密度聚类结果生成布局模板这一步骤包括：

根据预设距离阈值将所述二维分布图中的投影点进行分类得到聚类簇；

通过密度聚类算法，根据所述预设距离阈值计算得到局部密度值；

根据所述局部密度值确定所述投影点的边界距离；

根据所述边界距离以及所述局部密度值对所述投影点中的噪声点进行筛除，得到所述布局模板。

5.根据权利要求2所述的一种家装饰品模板的匹配方法，其特征在于，根据布局模板对所述第一饰品模板进行筛选得到若干第二饰品模板，通过所述第二饰品模板以及历史空间信息训练机器学习模型这一步骤，包括：

对所述布局模板中的中心对象进行特征编码得到第一特征编码；

对所述布局模板中的非中心对象进行特征编码得到第二特征编码；

根据所述中心对象以及所述非中心对象之间的位置关系生成第一关系编码，所述位置关系所述中心对象和所述非中心对象之间的距离和朝向；

通过所述第一特征编码、第二特征编码以及所述第一关系编码训练得到所述机器学习模型。

6.根据权利要求1所述的一种家装饰品模板的匹配方法，其特征在于，在将目标空间信息输入至训练完成后的机器学习模型，预测得到第三饰品模板这一步骤之前，所述匹配方法包括：

确定所述目标空间信息中的核心家具；

根据聚类密度对所述第一饰品模板进行排序得到模板序列；

根据预设家具间隔对所述模板序列进行遍历，确定所述核心家具的目标位置。

7.根据权利要求6所述的一种家装饰品模板的匹配方法，其特征在于，所述将目标空间信息输入至训练完成后的机器学习模型，预测得到第三饰品模板这一步骤，包括：

将所述目标位置输入至训练完成后的所述机器学习模型，输出得到所述目标位置的目标环境编码；

根据所述目标环境编码与历史环境编码的余弦相似度确定所述第三饰品模板，所述历史环境编码是根据所述第一饰品模板中的家具特征编码、饰品特征编码以及第二关系编码所生成得到。

8.一种家装饰品模板的匹配***，其特征在于，包括：

数据获取单元，用于获取设计方案中的历史家具信息以及历史饰品信息；

数据处理单元，用于根据设置关系以及空间关系生成若干第一饰品模板，获取所述空间关系，根据所述空间关系对所述历史家具信息和所述历史饰品信息进行筛选确定中心对象；根据所述中心对象的水平面，在所述水平面上建立坐标系，将所述第一饰品模板整合至所述坐标系中，生成整合后所述第一饰品模板的空间分布图；以及根据预设距离阈值对所述空间分布图中的投影点进行分类得到聚类簇，根据所述聚类簇的局部密度值筛除所述投影点中的噪声点，生成布局模板；

模型训练单元，用于根据所述布局模板的所述聚类簇中投影点与饰品的对应关系，对所述第一饰品模板进行筛选得到若干第二饰品模板，通过所述第二饰品模板以及历史空间信息训练机器学习模型；

模板匹配单元，用于将目标空间信息输入至训练完成后的机器学习模型，预测得到第三饰品模板，所述第三饰品模板包括目标饰品信息。

9.一种家装饰品模板的匹配设备，其特征在于，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器运行如权利要求1-7任一项所述的一种家装饰品模板的匹配方法。

10.一种存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于运行如权利要求1-7中任一项所述的一种家装饰品模板的匹配方法。

Images